[發明專利]一種基于DPN與Faster RCNN的火車票圖像生成方法

在審

• 申請號: 202010098298.X
• 申請日: 2020-02-18
• 公開（公告）號: CN111339866A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 安程治;李銳;金長新
• 申請（專利權）人: 濟南浪潮高新科技投資發展有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 劉淑風

本發明提供一種基于DPN與Faster RCNN的火車票圖像生成方法，屬于計算機圖像檢測領域，該方法實現過程包括：采集含有火車票的原始圖像；標注出步驟S1所采集到原始圖像中的火車票，并保存成xml文件作為標簽使用；對所獲得的原始圖像與標簽進行數據增強；搭建Faster RCNN深度學習網絡模型，將增強后的數據集隨機分為訓練集、驗證集與測試集進行訓練；依據模型在驗證集與測試集上的表現情況，對Faster RCNN進行調優，獲得Faster RCNN在測試集上的表現最優模型；利用DPN網絡結構，訓練一個用于數據增強的模型，形成最佳的行動策略；使用已訓練完畢的DPN網絡生成火車票圖像。本發明能解決傳統人工檢票方式效率低下，容易漏檢誤檢的缺陷，為火車票驗票的深度學習模型提供海量的數據支撐。

技術領域

本發明涉及深度學習理論中的計算機圖像檢測領域，人工智能算法中的效用理論，具體地說是一種基于DPN與Faster RCNN的火車票圖像生成方法。

背景技術

車票檢驗技術是各大交通樞紐最為重要的技術之一。火車站、汽車站、船塢、機場等關鍵交通樞紐均依靠車票檢驗技術保證車次人流的有序運行。現有車票均以紙質形式發售，以人工檢驗與標記的方式來實現驗票。近年來，我國交通網絡基礎設施不斷完善，尤其在高鐵與動車的建設方面，取得了舉世矚目的成就。以“和諧號”、“復興號”為排頭兵，帶領著我國經濟高速發展。然而，在耀眼光芒的背后，高速鐵路所帶來的問題也日益凸顯。載客量的提升極大地挑戰了各城市交通樞紐的客流吞吐能力。每逢節假日，火車站、汽車站等地的旅客數量激增，工作人員往往需要增加人手來加快進站驗票的速度，避免候車室過于擁擠。但這種人工檢票的方式不僅耗費人力物力，且效率低下，而且容易漏檢誤檢。近十年來出現了自動檢票機、身份證驗票等自動化驗票功能，但依然無法擺脫紙質車票。紙質車票在未來很長的一段時間內依然會占據一席之地。若利用人工智能技術，對傳統驗票方式進行改造，可以大大加快檢票速度，提升交通樞紐的客流量吞吐能力。

車票檢測問題大體可以分為兩類。一類是從圖像中抽取火車票，另外一類是從火車票中抽取有效信息。無論是哪一類問題，深度學習都是目前除了電子化車票之外，以軟件為載體的最佳解決方案。但深度學習所需要的巨大的數據量是難以獲取的。尤其是各類票據作為帶有個人信息的隱私物品，對其進行大規模收集整理將會遇到極大的阻力。為了獲得足夠進行訓練的數據量，利用計算機圖形學相關知識進行圖像生成是成本相對較低的解決方案。

圖像生成方法隸屬于計算機圖形學(Computer Graphic，CG)的范疇。薩瑟蘭在1963年完成的關于人機通信圖形系統的博士論文，為計算機圖形學的未來發展奠定了基礎。后來計算機圖形學從在顯示屏上進行簡單的點、線、面顯示開始，歷經長足發展，到目前的光線追蹤技術，虛擬現實技術等等，產生了。隨著近年來人工智能的興起，計算機圖形學也發起了“人工智能革命”。尤其以Generative adversarial network(GAN)為代表，與深度學習結合的圖像生成方法可以快速生成非常真實的CG圖像。

發明內容

本發明的技術任務是針對現有技術的不足，使用人工智能算法代替人工檢票的方式，提出了一種基于Dynamic Planning Network(DPN)與Faster Region ConvolutionalNeural Network(Faster RCNN)的火車票圖像生成方法，為火車票驗票的深度學習模型提供海量的數據支撐。

本發明解決其技術問題所采用的技術方案是：

一種基于DPN與Faster RCNN的火車票圖像生成方法，該方法的實現過程包括：

S1.采集含有火車票的原始圖像，圖像來源不限且鼓勵收集不同來源的圖像；

S2.標注出步驟S1所采集到原始圖像中的火車票，并保存成xml文件作為標簽使用；